اگه با LLMها کار کرده باشی، احتمالاً با این مشکل برخوردی از مدل می‌خوای یه JSON مشخص برگردونه، ولی مدل ممکنه ساختار رو خراب کنه یا مقداری خارج از چیزی که خواستی بده. TypeLLM اومده این مشکل رو از ریشه حل کنه؛ به‌جای اینکه فقط خروجی رو بعداً validate کنه، موقع تولید جواب، فضای انتخاب مدل رو محدود می‌کنه.

مثلاً اگه بگی مقدار type فقط می‌تونه billing ،technical یا account باشه، مدل عملاً فقط اجازه داره یکی از همین گزینه‌ها رو انتخاب کنه. یعنی به‌جای اینکه مدل آزادانه متن تولید کنه و بعد امیدوار باشیم JSON درست باشه، decoding از همون اول با schema هماهنگ می‌شه.

جالب‌تر اینکه TypeLLM برای این کار از constrained decoding و token probabilities استفاده می‌کنه و کنار SGLang و مدل‌های open-source اجرا می‌شه. حتی می‌تونه بخش reasoning رو آزاد بذاره و فقط موقع تولید جواب نهایی، محدودیت schema رو اعمال کنه؛ یعنی thinking آزاد، خروجی نهایی type-safe.

github.com/TypeLLM/TypeLLM


@Linuxor

بعضی برنامه ها مثل یوتیوب و تلگرام خیلی پر رو شدن ویژگی کلاینت هم بهتون میفروشن :)

مثلا یوتیوب برای اینکه بتونی آهنگ گوش بدی و از برنامه بیای بیرون و قطع نشه باید پرمیوم کنی یا تلگرام برای اینکه بیشتر از 3 تا اکانت داشته باشی روی یه اپ باید پرمیوم کنی! اینا ویژگی کلاینته ویژگی سرور که نیست می‌فروشینش😁

@Linuxor

پرداخت اینترنتی توی ایران و کشور های همسایه از چه سالی شروع شد؟

البته این جدول یه نکاتی داره مثلا عربسان قبل 2018 هم پرداخت اینترنتی داشت و فقط یکپارچه نبود و کارت های محدودی ساپورتش می‌کردن و همچنین ویزا و مستر کارت هم وجود داشت که بین المللیه.

@Linuxor

علی‌بابا تازه ControlNet Union رو برای Qwen-Image-2.1 منتشر کرده؛ یه checkpoint واحد برای کارهایی مثل Canny، Depth، Pose، Lineart، Scribble و موارد دیگه.

یعنی می‌تونی ساختار و فرم اصلی هر عکس یا ژستی رو حفظ کنی و در عین حال بقیه چیزها رو از نو بازطراحی و بازتصور کن

huggingface.co/spaces/hugging-apps/qwen-image-2-1-controlnet-union-demo


@Linuxor

دیدید که توی پلتفرما همیشه به کاربرای تازه ثبت نام شده یه تخفیفی چیز رایگانی میدن که مشتری بشه، حتی اخیرا یه چیزی از اسنپ هم منتشر شد که قیمت هارو به دوتا کاربر مختلف، متفاوت نشون میدادن! همیشه برام سوال بوده با یه سیم کارت 100 هزار تومنی اگه با ربات توی همه پلتفرما لاگین کنی میشه حداکثر چقدر سود کرد؟😁


@Linuxor

هوش مصنوعی پزشکی داره همچنان بی سروصدا پیشرفت می‌کنه حالا می‌تونی استخوان‌ها رو از عکس رادیولوژی قفسه سینه حذف کنی

شرکت Qure AI مدلی منتشر کرده که تصویر رادیوگرافی رو به بافت نرم، استخوان و ریه‌ها تفکیک می‌کنه؛ در نتیجه دنده‌ها دیگه چیزی رو که پشتشون قرار گرفته پنهان نمی‌کنن

تست آنلاین :

huggingface.co/spaces/hugging-apps/bone-suppression-chest-xray

@Linuxor

⚠️ فقط تا 4 مهر ⚠️

دوره‌ی آموزش زبان با فرندز، رایگان از طرف لینگانو.


✅ سطح دوره: از پایه تا پیشرفته

✅ 40 جلسه آموزشی

✅ به زبان فارسی و انگلیسی

✅ دسترسی مادام‌العمر به دوره

✅ قابل استفاده در موبایل و لپ‌تاپ

ظرفیت محدوده، همین الان روی لینک زیر کلیک کن.
👇👇👇👇👇👇👇

🎁 دریافت رایگان مینی دوره انگلیسی با سریال FRIENDS

یه پروژه جالب به اسم Valen اومده که به‌جای اینکه مدل بعد از دیدن تصویر بشینه reasoning طولانی تولید کنه، مستقیماً از روی تصویر/متن، احتمال action های مختلف رو حساب می‌کنه؛ یعنی ورودی میره داخل مدل و خروجی میشه تصمیم آماده برای اجرا.

روی Qwen3.5-2B ساخته شده و یه Decision Head به مدل اضافه می‌کنه. مثلاً برای یه بازی می‌تونه خروجی‌ای شبیه Left: 0.05 / Right: 0.72 / Up: 0.18 / Down: 0.05 بده و Agent هم سریع‌ترین action رو انتخاب کنه. این معماری برای بازی‌ها، UI Agentها، moderation و سیستم‌های real-time خیلی جالبه.

توی benchmark مربوط به Sokoban، Valen با 9 تصمیم مجموعاً حدود 1.13 ثانیه latency داشته، درحالی‌که Qwen3.8-27B Think برای همون سناریو حدود 198.05 ثانیه زمان گرفته. نکته مهم اینه که این اعداد مربوط به همین task و setup هستن، نه اینکه 2B در همه‌چیز جای 27B رو بگیره.

تست آنلاین :
huggingface.co/spaces/yuhangzang/Valen-Preview-0923
سورس کد :

github.com/Liuziyu77/Valen

@Linuxor

یه فرمولی برای تولید محتوا که تقریبا پابلیکه و اکثر تولید کننده های محتوا ازش استفاده می‌کنن (مثلا مستر بیست) و حتی شما هم میدونینش پول خرج کردنه، جالبه یعنی به هر صورتی پول خرج بشه برای مردم جذابه چه پول رو بسوزونی، چه رایگان بدیش به یکی، بری چیز بخری نشون مردم بدی و هر کار دیگه کنی حتما توجه مردم رو جلب میکنی.

دیدید توی روانشناسی میگن هدف اصلی و اول انسان بقاست و بقیه اهداف زیر مجموعه این هدفن؟ توی تولید محتوا هم هدف پول خرج کردنه بقیه اهداف زیر مجموعه اینن؛ در واقع هرچی یه منبع برای انسان باارزش‌تر باشه، دیدنِ نحوه خرج شدن، از دست رفتن، به دست اومدن یا به خطر افتادن اون منبع می‌تونه جذاب‌تر باشه😁


@Linuxor

خالق روبی روی ریل، DHH بزرگوار
حرفای جالبی راجع به هوش مصنوعی و آینده نامعلوم برنامه‌نویسی میزنه،‌
جالبترین جاش اینجاس که میگه :
من به عنوان کسی که قراره خودش کد بزنه، از Rust متنفرم ولی اگر ایجنت قراره بزنه عاشقشم. میگه اگر قراره ما به عنوان بلک باکس به زبانهای برنامه نویسی نگاه کنیم و با اینکه ندونیم توش چخبره، نرم افزار توسعه بدیم، خب دیگه چه کاریه بیایم از زبانهای خیلی سطح بالا و developer friendly استفاده کنیم؟ کدنویسی با زبانهای خفن ارزون شده و احتمالا یسری از معماریا هم که برای نگه‌داری و توسعه انسان بود احتمالا به مرور مهم نباشه دیگه ....

mrbug.ir/fa/blog/ruby-on-rails-ai-dhh


@Linuxor ~ Ralireza11

نسخه های چند وجهی Jev (اونایی که به غیر از متن می‌تونن عکس و مدیا هم بفهمن) می‌تونن یه انقلاب خوبی توی صنعت Manufacturing به وجود بیارن مثلا می‌شه فهمید :

قطعه سالمه یا خراب و معیوب؟
این جوش درست انجام شده؟
این محصول scratch داره؟
کارگر کلاه ایمنی داره؟
چیزی وارد محدوده خطر شده؟
دستگاه رفتار غیرعادی داره؟
این قطعه باید reject بشه یا نه؟

اینجا لیستی از Jev های چند وجهی رو جمع کرده و با تعدادی تصاویر اونارو بنچمارک کرده:

benchmarkheaven.com/image-jev-bench


@Linuxor

حراج بزرگ آنلاین استوک لپ! 💥

دنبال یه کامپیوتر قدرتمند می‌گردی ؟
دیگه لازم نیست بین قیمت بالا و کیفیت دست‌وپا بزنی! ✋

ما تو استوک لپ، بهترین سیستم‌ها رو با قیمت حراجی و ضمانت واقعی برات آوردیم. 💻💎

✅ کیفیت تضمینی
✅ قیمت استثنایی
✅ خرید با ضمانت

⏳ موجودی محدوده، همین حالا وارد شو و فرصت رو از دست نده! 👇
https://t.me/stock_lapp

تیم FrontiersMind امروز مدل‌های Lumma-fev-0.1B و نسخه‌ی به‌روزشده‌ی Lumma-fev-0.6B رو به‌صورت متن‌باز منتشر کرده ویدیو از اجراش روی مک M2 هستش.

این‌ها مدل‌های تصمیم‌گیری (Decision-Based Models) این تیم هستن که روی زبان انگلیسی و 10 زبان هندی (Indic) آموزش داده شدن. این مدل‌ها به‌جای تولید متن، برای تصمیم‌گیری و انجام اقدامات مختلف طراحی شدن.نتایج اولیه هم جالب توجه هستن؛ طبق اعلام تیم، Lumma-fev تونسته توی چندین بنچمارک عملکرد بهتری نسبت به Jev داشته باشه.

از بازی کردن گرفته تا دسته‌بندی، تصمیم‌گیری ساختاریافته و خیلی از کارهای دیگه که نیازی به تولید متن ندارن، Lumma-fev برای انجام عمل و تصمیم‌گیری طراحی شده. طبق اعلام این تیم، فردا مدل‌های Lumma-fev-4B و Lumma-fev-9B هم به‌صورت متن‌باز منتشر می‌شن.


این مدل‌ها از طریق مجموعه‌ی زیر در دسترس قرار گرفتن:
huggingface.co/collections/FrontiersMind/lumma-decision-models


@Linuxor

وقتی سینیور می‌رینه تو پروژه و می‌سپارتش دست جونیور که درستش کنه

@Linuxor

برای کسایی که با مدل ها زیاد سرو کله می‌زنن، انویدیا یه جعبه ابزار برای بهینه‌سازی مدل‌های AI داره قبل از اینکه مدل رو ببری برای inference، کمک می‌کنه مدل رو کم‌حجم‌تر و کم‌مصرف‌تر و سریع‌تر کنی.

تمرکز اصلیش روی چیزهایی مثل Quantization، Pruning، Sparsity و Distillation هستش. مثلاً می‌تونی یه مدل BF16 رو به FP8 یا NVFP4 تبدیل کنی تا VRAM و هزینه محاسبات کمتر بشه، البته با کنترل افت کیفیت مدل.

نکته جالبش اینه که ModelOpt خودش جای vLLM یا TensorRT-LLM نیست؛ بیشتر نقش مرحله‌ی optimization رو داره. یعنی مدل رو آماده می‌کنی و بعد می‌دی به inference engineهایی مثل vLLM، SGLang یا TensorRT-LLM تا روی GPU اجرا بشه.

اگه با مدل‌های بزرگ و GPU های NVIDIA کار می‌کنی، ModelOpt یه جعبه‌ابزار برای اینه که از همون مدل، نسخه‌ای سبک‌تر و مناسب‌تر برای production بسازی؛ مخصوصاً وقتی بحث FP8/NVFP4، کاهش VRAM و افزایش throughput مطرح باشه:

nvidia.github.io/Model-Optimizer


@Linuxor

🤖 مینی دوره Claude رایگان شد! | ابزار برنامه‌نویسی، تحقیق و حل مسئله

✔️ توی این مینی‌دوره یاد می‌گیری چطور از Claude برای انجام سریع‌تر و بهینه‌تر کارهات استفاده کنی.

✨ ثبت‌نام رایگان:
🔗 quera.org/r/jd7au

یه مدل جالب برای اجرای AI روی دستگاه اندرویدی (ویدیو تست شده روی S26 برای هر درخواست 128توکنه 70 میلی ثانیه زمان می‌بره)

مدل GLiNER2.5-Decide دارای 340M پارامتره که برای classification، routing، sentiment، intent detection و تصمیم‌گیری ساختاریافته ساخته شده.

نسخه‌ی LiteRTش رو می‌تونید روی دستگاه‌هایی مثل Android به‌صورت local اجرا کنید؛ بدون API و بدون نیاز به ارسال متن به سرور.

یعنی برای خیلی از کارهایی که لازم نیست حتماً یه LLM بزرگ داشته باشید، می‌تونه گزینه‌ی جذابی باشه.

huggingface.co/litert-community/GLiNER2.5-Decide-LiteRT


@Linuxor

مغز انسان یه باگی داره اینه که آینده رو خوب پیش‌بینی نمیکنه از اون بد تر یه عده بهش اعتماد هم میکنن؛

مثلا همیشه با خودشون میگن وای فلانی آنلاین شاپ داره چه پولی در میاره فلانی شرکت داره چه پولی درمیاره فلانی فریلنسره چقدر راحته کسی روی سرش نیست و همیشه آزاده!

بعد که خودشون بدون پیش بینی آینده و با صرف اینکه اون کاره راحته یکی از اون کارارو شروع میکنن، می‌افتن توی باتلاق اون کاره که به راحتی هم نمیشه ازش بیرون اومد مثلا آنلاین شاپ به ظاهر شاید پول پارو کنه ولی باید بدونید که «باید محصول خوب پیدا کنید ← سرمایه بذارید ← محتوا بسازید ← تبلیغ کنید ← مشتری جذب کنید ← بسته‌بندی کنید ← ارسال کنید ← مرجوعی بگیرید ← پشتیبانی کنید ← حسابداری کنید ← با افت فروش کنار بیاید ← دوباره تبلیغ کنید و ممکنه اصلا به مشتری هدف نرسید...» تازه بعدش میفهمن این کار همچین براشون جذاب هم نیست!


@Linuxor

یه کتابخونه UI پیدا کردم که کلی کامپوننت خیلی شیک و جذاب رو یکجا جمع کرده؛ برای اینکه توی یه لندینگ پیج یه افکت «واااو عجب چیز پشم ریزونی» بسازی

سایتش اینه:
componentry.dev

@Linuxor

یه تکنیکی که جدیدا دارم روش تمرکز میکنم درست Exit کردنه، اکثر ماها نمیتونیم درست از یه کاری که شروع کردیم و به نتیجه دلخواه نرسیده خروج بزنیم و توی لحظه آخر همه چی رو آتیش میزنیم، برای مثال تا الان ده ها تا سرویس و محصول از سایت و API و... ساختم که همشون هم درآمدزا بودن ولی کم بوده یا زحمتش زیاد بوده همشم از بین بردم؛ با خودم میگم بابا کاش حداقل یکم روی آتومیشینش کار میکردی مثلا یه سرویسی که ماهی حتی 10 تومن درآمد داشته باشه و روزی مثلا 3 ساعتت وقتت رو بگیره رو یه جوری اتومیتش کنی بشه روزی نیم ساعت یا یه ربع واقعا می‌ارزه نگهش داری در واقع بجای اینکه محکم Exit کنی و بی سرپناه بزاریش و درآمد بشه صفر تومن یجوری با AI و آتومیشن فشردش میکنی که بشه یه ربع در روز حتی درآمد کمترم شد و مثلا 7 الی 8 تومنم می‌ارزه.

چیزی که داره براتون پول می‌سازه ولی کمه رو هیچ وقت سرش رو نبرید ببینید می‌تونید رامش کنید اگه نشد سرش رو ببرید.

@Linuxor